[发明专利]利用深度学习系统的自动光学检测分类设备及其训练设备

说明书

本发明提供一种利用深度学习系统的自动光学检测分类设备，包括摄影机、以及处理器。该处理器加载储存单元后执行深度学习系统，包括：输入层；神经网络群层，用以对输入影像执行特征提取并于最终获取多个影像特征，该神经网络群层包括一或多个神经网络子区块层、以及最大值池化层，该神经网络子区块层中包括具有共同输入的第一运算符集及第二运算符集、进行残差运算的残差映像层、以及进行非线性化运算的线性整流单元；以及全连接群层用以依据权重比例进行分类，最终输出检测结果。

技术领域

本发明有关于一种自动光学检测分类设备及其训练设备，特别是指一种利用深度学习系统的自动光学检测分类设备及其训练设备。。

背景技术

深度学习(Deep Learning)最常见的应用，包括影像识别、语音识别、自然语言处理等，甚至推荐系统、生医信息等，各种和生活相关的领域都可以看到深度学习的推广应用。而其中影像辨识于深度学习的应用上最为广泛，技术成熟度也相较其他的领域来得要高。

光学检测为了避免人检的缺失，通常利用人工智能(Artificial Intelligence)和机器学习(Machine Learning)来取代一般的肉眼检测，由此减少误判的可能性。在类神经网络的发展中，目前主流的方式是通过增加类神经网络的深度借以提升分类的准确度。然而经过大量实验的结果，单纯增加类神经网络的深度最终并没有增加分类的准确度，实实际上反而降低了分类的准确度，细究其原因可能在于反像传播的训练方式随着类神经网络的深度增加反而增加了收敛的难度，而比起末端的神经网络层，前端的神经网络层对于检测的结果的影响更大。另一方面，单纯的增加类神经网络的深度，检测的速度及效率也会随之下降，变程必须要提供更高的硬件效能去推动类神经网络的运作，是以，有必要针对现有的类神经网络架构进行改善。

发明内容

本发明的主要目的，在于改善增加类神经网络深度时，训练的收敛效果不佳、且运算的效率亦随之下降的缺点。

为达到上述目的，本发明系提供一种利用深度学习系统的自动光学检测分类设备，通过待测物影像，检测待测物瑕疵。该自动光学检测分类设备包括连接至该摄影机的处理器。该摄影机用以拍摄并获取待测物的待测影像。该处理器系加载储存单元后系执行该深度学习系统，该深度学习系统由输入至输出包括：输入层，用以接收待测影像并将该待测影像进行正规化处理；神经网络群层，用以对输入影像执行特征提取并于最终获取多个影像特征，该神经网络群层由输入至输出包括一或多个神经网络子区块层、以及最大值池化层(Max Pool)，其中任一或多个该神经网络子区块层中包括具有共同输入的第一运算符集及第二运算符集、将该第一运算符集及该第二运算符集的输出进行残差运算的残差映像层(Eltwise)、以及将该残差映像层的输出进行非线性化运算的线性整流单元(ReLU)；以及全连接群层，包括一或多个全连接层依据权重比例进行分类，最终输出检测结果。

本发明的另一目的，在于提供一种深度学习系统的训练设备，包含自动视觉检测设备(AVI)、以及如上所述的自动光学检测分类设备。该自动视觉检测设备(AVI)用以对待测物进行检测，以产生瑕疵影像与相关瑕疵信息，其中，该相关瑕疵信息包括瑕疵种类及瑕疵位置。该自动光学检测分类设备经由该自动视觉检测设备获得该瑕疵影像后将该瑕疵影像传送至该深度学习系统进行训练。

经多次测试的结果，本发明不仅可以有效地增加自动光学检测对瑕疵的检出率及准确率，改良后的神经网络架构于检测的速度上亦有大幅的提升，增加了瑕疵检测的效果及效率。

附图说明

图1，为本发明自动光学检测分类设备的方块示意图。

图2，为本发明深度学习系统的结构示意图(一)。

图3，为本发明深度学习系统的结构示意图(二)。

图4，为本发明训练系统的方块示意图。

图5，为反向传播的训练流程。

附图标记说明：